基于QPSO-ELM的过程神经网络及时间序列预测
作者:
刘志刚
[1]
许少华
[2]
李盼池
[1]
冯永强
[3]
关键词:
过程神经元网络
极限学习
量子粒子群
网络训练
摘要：
过程神经网络模型结构复杂,正交基展开后学习参数多,传统梯度下降存在对初值敏感、计算复杂等问题,将过程神经网络进行正交基展开化简,在结构上转化为统神经网络,利用极限学习作为过程神经元网络的学习算法.学习过程中摒弃梯度下降算法的迭代调整策略,采用 Moore-Penrose 广义逆计算输出权值,同时为弥补该算法由于随机赋值造成的模型稳定性差的缺点,提出一种双链结构的量子粒子群算法,优化极限学习过程中随机赋值参数.二者结合使用,使模型在稳定性、训练误差方面都得到了一定程度的提高.仿真实验以Mackey-Glass时间序列和太阳黑子预测为例验证了算法的有效性.
上一篇： 基于改进差分进化算法的滑模控制参数整定
下一篇： 分布式参数系统的随机梯度辨识